Elk jaar wordt er in de Verenigde Staten maïs geplant op ongeveer 90 miljoen hectare. Met al die gegevens het duurt maanden na de oogst voor overheidsinstanties om de totale opbrengst en graankwaliteit te analyseren. Wetenschappers werken eraan om die tijdlijn te verkorten, het maken van voorspellingen voor de opbrengst aan het einde van het seizoen tegen het midden van het seizoen. Echter, minder onderzoekers hebben voorspellingen van graankwaliteit aangepakt, vooral op grote schaal. Een nieuwe studie van de Universiteit van Illinois begint die leemte op te vullen.

De studie, gepubliceerd in Agronomie , gebruikt een nieuw ontwikkeld algoritme om zowel de opbrengst aan het einde van het seizoen als de graansamenstelling te voorspellen:het aandeel zetmeel, olie, en eiwit in de pit - door weerpatronen te analyseren tijdens drie belangrijke stadia in de ontwikkeling van maïs. belangrijk, de voorspellingen zijn van toepassing op de hele maïsoogst in het Midwesten in de Verenigde Staten, ongeacht de maïsgenotypen of productiepraktijken.

"Er zijn verschillende onderzoeken die factoren beoordelen die van invloed zijn op de kwaliteit van specifieke genotypen of specifieke locaties, maar vóór deze studie, we konden geen algemene voorspellingen doen op deze schaal, " zegt Carrie Butts-Wilmsmeyer, onderzoeksassistent-professor bij de afdeling gewaswetenschappen aan de U of I en co-auteur van de studie.

Terwijl maïs elk seizoen bij liften in het Midwesten aankomt, de U.S. Grains Council neemt monsters om de samenstelling en kwaliteit te beoordelen voor hun jaarlijkse samenvattende rapporten, die worden gebruikt voor exportverkopen. Het was deze uitgebreide database die Butts-Wilmsmeyer en haar collega's gebruikten bij het ontwikkelen van hun nieuwe algoritme.

"We gebruikten gegevens van 2011 tot 2017, die jaren van droogte en jaren met recordopbrengsten omvatte, en alles daartussenin, " zegt Juliann Seebauer, hoofdonderzoeksspecialist in U of I's Department of Crop Sciences en co-auteur van de studie.

De onderzoekers koppelden de gegevens over de graankwaliteit aan de weergegevens van 2011-2017 van de regio's die in elke graanelevator werden ingevoerd. Om hun algoritme te bouwen, ze concentreerden zich op het weer gedurende drie kritieke perioden:opkomst, zijde, en korrelvulling - en ontdekte dat de sterkste voorspeller van zowel de graanopbrengst als de samenstellingskwaliteit de beschikbaarheid van water was tijdens het zijdelings maken en korrelvulling.

De analyse ging dieper, het identificeren van omstandigheden die leiden tot hogere olie- of eiwitconcentraties - informatie die van belang is voor graankopers.

Het aandeel zetmeel, olie, en eiwit in maïskorrels wordt beïnvloed door genotype, beschikbaarheid van bodemvoedingsstoffen, en weer. Maar het effect van het weer is niet altijd eenvoudig als het om eiwitten gaat. Bij droogte, gestresste planten zetten minder zetmeel af in het graan. Daarom, het graan heeft verhoudingsgewijs meer eiwit dan dat van planten die geen droogtestress ervaren. Goed weer kan ook leiden tot hogere eiwitconcentraties. Veel water betekent dat er meer stikstof naar de plant wordt getransporteerd en wordt opgenomen in eiwitten.

In de analyse, "Bovengemiddelde graaneiwit- en oliegehaltes werden bevorderd door minder stikstofuitspoeling tijdens vroege vegetatieve groei, maar ook hogere temperaturen tijdens de bloei, terwijl hogere olie- dan eiwitconcentraties het gevolg waren van lagere temperaturen tijdens de bloei en graanvulling, ', zeggen de auteurs in de studie.

Het vermogen om eiwit- en olieconcentraties in graan beter te voorspellen, zou de wereldwijde markten kunnen beïnvloeden, gezien de groeiende binnenlandse en internationale vraag naar eiwitrijkere maïs voor diervoedertoepassingen. Met het nieuwe algoritme het zou theoretisch mogelijk moeten zijn om weken of maanden voor de oogst oogst- en kwaliteitsvoorspellingen te doen aan het einde van het seizoen door simpelweg naar weerpatronen te kijken.

"Andere onderzoekers hebben realtime opbrengstvoorspellingen gedaan met behulp van veel complexere gegevens en modellen. De onze was een relatief eenvoudige benadering, maar we zijn erin geslaagd om het kwaliteitsstuk toe te voegen en een behoorlijke nauwkeurigheid te bereiken, " zegt Butts-Wilmsmeyer. "De weersvariabelen die we belangrijk vonden in dit onderzoek, kunnen worden gebruikt in complexere analyses om in de toekomst een nog grotere nauwkeurigheid te bereiken bij het voorspellen van zowel de opbrengst als de kwaliteit."